基于RBF神经网络对电磁力平衡传感器测量精度的研究

本文介绍一种利用径向基函数（RBF）神经网络改善传感器精度的新方法。RBF网络具有良好的非线性映射能力，能以任意精度逼近任何非线性函数。本文利用RBF网络较强的非线性映射能力对电磁力平衡传感器进行温度补偿．实验表明该方法实现了传感器高精度的温度补偿。     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

基于信息融合技术的瓦斯传感器故障诊断研究

文章提出了将基于RBF网络的信息融合技术应用于瓦斯传感器故障诊断的思想。该思想的核心是通过对影响测点瓦斯浓度的各种相关信息融合,利用高精度RBF网络逼近器的输出与瓦斯传感器实际的输出之差与设定的阈值比较,实现瓦斯传感器故障的监测诊断。试验表明该技术能对瓦斯传感器进行有效的状态监测和故障诊断。     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

基于神经网络的矿用红外瓦斯传感器检测模型的研究

文章简要介绍了瓦斯红外检测原理,指出了传统吸收型模型的不足,基于RBF神经网络的非线性逼近能力建立了一种红外瓦斯传感器检测模型,给出了RBF神经网络的组织,并对RBF神经网络进行了训练,得到了红外瓦斯传感器检测模型的RBF神经网络结构。实验结果表明,该模型误差小、精度高,可满足煤矿井下应用的需要。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于PSO-RBF无线传感器网络入侵检测技术研究

针对无线传感器网络自身特性,提出了基于粒子群优化(PSO)径向基函数(RBF)神经网络的轻量级入侵检测方案,该方案结合PSO算法与RBF神经网络分别在全局搜索和局部搜索的优势,使用PSO优化RBF的中心、宽度及权值.仿真实验表明:基于PSO-RBF的入侵检测算法可以有效、可靠地运用于无线传感器入侵检测系统中.